联系销售
返回Datasets

利比罗:终身机器人学习基准

探索 LIBERO: 130 项任务, 65 千 个终身学习套件的演示. 下载,训练 OpenVLA/ 传播政策,并将基准转移. 10 分钟内开始.

130 任务, 65 千 个模拟基准,成为机器人操纵政策的常规终身模仿学习评估目标.

利

Metric Value
Task count 130 tasks across 4 suites (Spatial, Object, Goal, LIBERO-100)
Robots Franka Emika Panda (simulated via RoboSuite)
Modalities RGB (2 cameras), proprioception, gripper, language
License MIT
Size ~65,000 demonstrations, ~40 GB HDF5
Simulator RoboSuite (MuJoCo)

LIBERO 是什么?

利比罗 (Lifelong Robot Learning Benchmark) 是一个由UT奥斯机器人感知和学习实验室推出的研究基准,用于研究操纵政策如何在持续的任务流中转移知识. LIBERO不要求单一的政策记住一组固定的示范,而是将130个桌面操纵任务组织成四个终身学习套件,每个套件分离一个不同的转移轴: LIBERO-空间 改变对象的位置, LIBERO-对象 改变对象的身份, LIBERO-目标 改变任务目标, LIBERO-100 (分为 LIBERO-90预训练加上 LIBERO-10评估) 测试日常技能的长视野组合.

每个任务船都采用了在Franka Emika Panda上的 RoboSuite模拟器中收集的50个人间遥控演示,总共产生约65,000条轨迹.观察包括两个RGB摄像头流 (代理视觉和手中),自感关节状态,抓住器状态和自然语言指令字符串. 基础真相对象和场景元数据也被曝光,以便研究人员可以研究特权信息基线,程序通用化或sim到真实的分布转移.

由于基准标准与RoboSuite兼容,并提供了体育馆式评估带,LIBERO已成为视觉语言行动模型的实际终身学习评估目标.OpenVLA,Octo,Diffusion Policy,ACT和BC-Z都发布了LIBERO数字,这使得它成为将新政策放在共享排名榜上最快的方法.

如何下载和加载

标准分布是HDF5,还有一个被OpenVLA团队使用的修改RLDS叉.

# Clone the benchmark code
git clone https://github.com/Lifelong-Robot-Learning/LIBERO.git
cd LIBERO && pip install -e .

# Download the HDF5 datasets (~40 GB)
python benchmark_scripts/download_libero_datasets.py --datasets libero_spatial libero_object libero_goal libero_100

# Or pull the RLDS fork used by OpenVLA / Octo
pip install datasets
python -c "from datasets import load_dataset; d = load_dataset('openvla/modified_libero_rlds', split='train'); print(d[0].keys())"

为了进行细节调整,RLDS变体直接插入OpenVLA和Octo训练脚本.用于评估,使用运送的T1入口点,它们将现场加载,重播语言指令,并以原始任务特定奖励获得成功.

常见使用情况和配对

  • **精细调节VLA.**OpenVLA和Octo都发布了LIBERO调节的检查站.
  • **散政策和ACT基线.**每任务50个演示设置与散和变压器政策相匹配,排名表可以轻松与公布的数字进行比较.
  • 持续学习研究. 这四套是唯一一个公开规模的机器人操纵基准,可以通过大型样本测量忘记,前转和后转.
  • 程序增强. 因为场景是定义在MuJoCo XML,研究人员经常将 LIBERO与MimicGen或域名随机化结合起来,以研究数据扩展法则.

基准和排名表

公共排名榜单每套套件的成功率 (LIBERO-Spatial, LIBERO-Object, LIBERO-Goal, LIBERO-10) 平均超过500次评估推广.目前的最新状态在前三套件的95%+范围和LIBERO-10的50-60%.查看[T2]和[项目页面]T3) 对于正规数字.